正则表达式：跳过/忽略模式答案

【问题标题】：Regex: Skip/Ignore pattern正则表达式：跳过/忽略模式
【发布时间】：2010-04-23 13:56:29
【问题描述】：

鉴于以下字符串嵌入在文本中，如何提取整行但不匹配内部“”？

<test type="yippie<innertext>" />

编辑：
更具体地说，我们需要处理以下两个用例，其中“type”有或没有“”字符。

<h:test type="yippie<innertext>" />
<h:test type="yippie">

Group 1: 'h:test'
Group 2: ' type="yippie<innertext>" '  -or-  ' type="yippie"'   (ie, remaining content before ">" or "/>")

到目前为止，我有这样的东西，但它与第 2 组在第一个“>”处停止的方式有点不同。调整第 2 组条件的第一部分。

(<([a-zA-Z0-9_:-]+)([^>"]*|[^>]*?)\s*(/)?>)

感谢您的帮助。

【问题讨论】：

标签： regex

【解决方案1】：

试试这个：

<([:\w]+)(\s(?:"[^"]*"|[^/>"])+)/?>

示例用法（Python）：

>>> x = '<h:test type="yippie<innertext>" />'
>>> re.search('<([:\w]+)(\s(?:"[^"]*"|[^/>"])+)/?>', x).groups()
('h:test', ' type="yippie<innertext>" ')

另外请注意，如果您的文档是 HTML 或 XML，那么您应该使用 HTML 或 XML 解析器，而不是尝试使用正则表达式来执行此操作。

【讨论】：

是的，你在上面。我应该更清楚更完整。我需要对匹配的标签名称和剩余批次进行分组。见上文。

【解决方案2】：

您似乎正在尝试使用正则表达式解析 XML/HTML。我会说你的方法从根本上是错误的。足够高级的正则表达式与 XML 解析器没有区别。毕竟，如果你需要解析怎么办：

<test type="yippie<inner\"text\"_with_quotes,_literal_slash_and_quote\\\">" />

此外，您可能需要将内部 &lt; 和 &gt; 转义为 &lt; 和 &gt;

关于你不应该用正则表达式解析 XML 的更多原因，我只能屈服于这个优越的答案：

RegEx match open tags except XHTML self-contained tags

【讨论】：

我希望可以。现有的实现迫使我动手。